鄧傳國(guó)

摘要：研究了改進(jìn)神經(jīng)網(wǎng)絡(luò)在智能校園監(jiān)控中的應(yīng)用。針對(duì)夜間校園監(jiān)控過(guò)程，使用區(qū)域亮度分析方法實(shí)現(xiàn)圖像質(zhì)量的有效增強(qiáng)。為提高校園監(jiān)控的適應(yīng)性，完成了混合高斯背景模型的構(gòu)建。高校校園圖像信息通過(guò)監(jiān)控視頻完成采集和預(yù)處理過(guò)程后，采用改進(jìn)神經(jīng)網(wǎng)絡(luò)完成所需圖像閾值的計(jì)算，然后對(duì)監(jiān)控圖像的邊緣輪廓特征量進(jìn)行提取，將據(jù)此獲取的閾值作為信息輸入實(shí)現(xiàn)監(jiān)控圖像處理過(guò)程，得出異常特征量以保證校園環(huán)境的安全，圖像處理及監(jiān)控過(guò)程具有延時(shí)短、實(shí)時(shí)性強(qiáng)、智能水平高的優(yōu)勢(shì)。為智能高校校園的安全管理提供參考。

關(guān)鍵詞：校園監(jiān)控;改進(jìn)神經(jīng)網(wǎng)絡(luò);視頻圖像處理;混合高斯背景模型

中圖分類號(hào)：TP183

文獻(xiàn)標(biāo)志碼：A

ResearchonIntelligentCampusMonitoringby

UsingImprovedNeuralNetworkSystem

DENGChuanguo

（

DepartmentofArchitectureandMunicipalEngineering，HefeiIndustrialSchool，Hefei230000，China

）

Abstract：Thispapermainlystudiestheapplicationofimprovedneuralnetworkinintelligentcampusmonitoring.Thenighttimecampusmonitoringimageachieveseffectiveimagequalityenhancementthroughtheuseofregionalbrightnessanalysismethod.Inordertoimprovetheadaptabilityofcampusmonitoring，ahybridGaussianmodeliscompleted.Afterthecampusimageinformationiscollectedandpreprocessedbythemonitoringvideo，theimprovedneuralnetworkisusedtocompletethecalculationoftherequiredimagethreshold，andthentheedgecontourfeaturequantityofthemonitoringimageisextracted，andthethresholdobtained.Theinformationinputrealizesthemonitoringimageprocessingprocess，andtheabnormalfeaturequantityisobtainedtoensurethesafetyofthecampusenvironment.Theimageprocessingandmonitoringprocesshavetheadvantagesofshortdelay，strongrealtimeandhighintelligencelevel.Itmayprovideareferenceforthesecuritymanagementofsmartcampuses.

Keywords：campusmonitoring;improvedneuralnetwork;videoimageprocessing;mixedGaussianbackgroundmodel

0引言

隨著我國(guó)教育事業(yè)的發(fā)展，高校建設(shè)規(guī)模及招生人數(shù)不斷增加，高校師生日常學(xué)習(xí)生活面臨的不安定因素隨之提升，高校校園內(nèi)的安全管理受到社會(huì)廣泛關(guān)注，對(duì)以校園內(nèi)部區(qū)域環(huán)境為主的校園安全管理提出了更高的要求，促使校園安全防范管理發(fā)生了顯著的變化（包括技術(shù)、模式、措施等）。視頻監(jiān)控系統(tǒng)已成為高校普遍使用的監(jiān)控手段，不斷發(fā)展和完善的智能視頻分析系統(tǒng)已經(jīng)在各高校發(fā)揮一定的職能功效，為校園安全提供更好的保障。高校通過(guò)構(gòu)建視頻監(jiān)控管理平臺(tái)在節(jié)省人力財(cái)力物力的同時(shí)，能夠?qū)π@內(nèi)人員及大范圍事物進(jìn)行實(shí)時(shí)監(jiān)控預(yù)防意外事件的發(fā)生，有效彌補(bǔ)了人防、物防的不足，幫助校園安全管理人員實(shí)現(xiàn)不良行為的及時(shí)發(fā)現(xiàn)和減少突發(fā)事件，是確保在校人員生命財(cái)產(chǎn)安全的有效手段[1]。

1現(xiàn)狀分析

視頻監(jiān)控技術(shù)隨著安防技術(shù)的不斷深入研究而得到了快速的提升，展現(xiàn)出了較高的市場(chǎng)價(jià)值，對(duì)智能視頻監(jiān)控圖像處理領(lǐng)域的研究也不斷深入，并已經(jīng)取得了一定的研究成果，例如，對(duì)智能視頻監(jiān)控下的多目標(biāo)跟蹤技術(shù)的應(yīng)用研究，從多目標(biāo)跟蹤技術(shù)應(yīng)用現(xiàn)狀出發(fā)，在對(duì)目標(biāo)陰影關(guān)照和顏色特征進(jìn)行分析的基礎(chǔ)上，完成了基于多目標(biāo)跟蹤技術(shù)的監(jiān)控過(guò)程。該方法簡(jiǎn)便高效易操作，但存在監(jiān)控目標(biāo)跟蹤準(zhǔn)確率較低的問(wèn)題[3];針對(duì)海面圖像實(shí)現(xiàn)基于監(jiān)控目標(biāo)區(qū)域提取的監(jiān)控方法，完成灰度化和高斯濾波后，在獲取圖像全部邊緣點(diǎn)集的基礎(chǔ)上（使用Canny邊緣檢測(cè)方法完成），將最大有效度的直線從中選取出來(lái)作為海天線，據(jù)此完成海天線區(qū)域的確定。借助該方法顯著降低了監(jiān)控運(yùn)動(dòng)目標(biāo)（如檢測(cè)、跟蹤、避障）的時(shí)間以及誤檢概率。但較為復(fù)雜的應(yīng)用過(guò)程限制了該方法的應(yīng)用范圍[4];一種多視角視頻監(jiān)控系統(tǒng)實(shí)現(xiàn)了對(duì)運(yùn)動(dòng)目標(biāo)的有效跟蹤，通過(guò)將高清攝像機(jī)同系統(tǒng)前端FPGA模塊相連完成對(duì)視頻的收集和初級(jí)處理操作，再使用GPU服務(wù)器完成更高級(jí)的處理過(guò)程，從而使在多攝像機(jī)間連續(xù)跟蹤目標(biāo)功能得以實(shí)現(xiàn)。該系統(tǒng)顯著提高了目標(biāo)跟蹤準(zhǔn)確率，但對(duì)復(fù)雜環(huán)境的適應(yīng)能力較差[5]。在現(xiàn)有研究基礎(chǔ)上，本文完成了基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的校園監(jiān)控的設(shè)計(jì)，并詳細(xì)研究和分析實(shí)現(xiàn)智能化視頻監(jiān)控的算法和關(guān)鍵技術(shù)，以期提高校園視頻監(jiān)控的智能化應(yīng)用水平。

2監(jiān)控運(yùn)動(dòng)目標(biāo)閾值計(jì)算

隨著視頻監(jiān)控技術(shù)在各行業(yè)的廣泛使用，視頻監(jiān)控技術(shù)為高校校園安防系統(tǒng)提供了及時(shí)支撐，對(duì)視頻監(jiān)控領(lǐng)域的研究不斷深入，在高校校園內(nèi)應(yīng)用視頻監(jiān)控技術(shù)是提升校園智能化管理水平的有效手段，滿足校園環(huán)境安全管理的需求，這也順應(yīng)了當(dāng)前高新科技主流發(fā)展趨勢(shì)。為滿足校園安全管理對(duì)校園監(jiān)控不斷提高的需求，本文主要對(duì)智能校園監(jiān)控方法進(jìn)行了研究，在校園安全防范中應(yīng)用網(wǎng)絡(luò)計(jì)算機(jī)的基礎(chǔ)上，通過(guò)智能視頻分析系統(tǒng)的構(gòu)建以確保異常環(huán)境及行為等能夠被及時(shí)準(zhǔn)確的發(fā)現(xiàn)（包括協(xié)助破解更多的校園案件），從而在確保學(xué)生安全的同時(shí)提供一個(gè)和諧舒適的學(xué)習(xí)環(huán)境?？紤]到傳統(tǒng)網(wǎng)絡(luò)化的視頻監(jiān)控系統(tǒng)是目前校園普遍使用的視頻監(jiān)控模式，數(shù)字化及智能化水平有待進(jìn)一步提高，本文所構(gòu)建的智能校園監(jiān)控方法結(jié)合運(yùn)用先進(jìn)的互聯(lián)網(wǎng)技術(shù)及改進(jìn)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)校園整體高效的監(jiān)督管理過(guò)程，通過(guò)監(jiān)控圖像質(zhì)量的增強(qiáng)提高了該方法對(duì)環(huán)境的適應(yīng)能力。對(duì)運(yùn)動(dòng)目標(biāo)通過(guò)圖像閾值的計(jì)算實(shí)現(xiàn)對(duì)其邊緣的有效檢測(cè)，進(jìn)而據(jù)此識(shí)別出異常行為特征，有效提升了對(duì)異常行為判斷的準(zhǔn)確率及校園夜間監(jiān)控效果，進(jìn)一步提升了校園安全管理的信息化、制度化、智能化水平。

2.1夜間監(jiān)控圖像質(zhì)量的增強(qiáng)

目前校園視頻監(jiān)控大多離不開人工輔助，需配置安保人員以確保校園監(jiān)控的正常使用，通常需要長(zhǎng)時(shí)間通過(guò)監(jiān)控畫面捕捉異常，提升了人力成本的同時(shí)降低了對(duì)校園的監(jiān)管效率，此外單純的視頻監(jiān)控技術(shù)對(duì)環(huán)境光線的要求較高，導(dǎo)致受到夜間光線昏暗的影響對(duì)夜間的視頻監(jiān)控效果較差，不利于異常行為及環(huán)境的及時(shí)發(fā)現(xiàn)，降低了監(jiān)控系統(tǒng)對(duì)夜間異常行為檢測(cè)的精準(zhǔn)度。本文主要通過(guò)RGB圖像到HSI空間的轉(zhuǎn)換實(shí)現(xiàn)圖像增強(qiáng)效果，通過(guò)建立起同R、G、B間的計(jì)算關(guān)系獲取HSI中的三個(gè)分量，如式（1）。

H=

θ，如果B≤G

360°-θ，如果B>G

θ=arccos12（R-G）+（R-B）（R-G）2+（R-B）（G-B）12

（1）

S=1-3R+G+Bmin（R，G，B）

I=1/3（R+G+B）

在獲取HSI3個(gè)分量的基礎(chǔ)上，采取自適應(yīng)選擇的方法確定相應(yīng)圖像尺度參數(shù)，首先需完成圖像在HSI空間中的區(qū)域劃分，假設(shè)圖像背景強(qiáng)度由I（x，y）表示，m、n、r表示權(quán)值，圖像的漸變率即梯度閾值由G（x，y）表示，在圖片對(duì)角線中四鄰域組成的集合由L表示，針對(duì)圖像背景區(qū)域亮度，通過(guò)對(duì)鄰域像素進(jìn)行加權(quán)求平均計(jì)算獲取，如式（2）。

I（x，y）=m∑Lf（x，y）+n∑Lf（x，y）+rf（x，y）4（m+n）+r

（2）

由Id表示圖像像素的最大差值，為了完成對(duì)圖像的兩度區(qū)域的有效劃分，Id的計(jì)算表達(dá)如式（3）。

Id=1026max（f（x，y））-min（f（x，y））1026-min（f（x，y））

（3）

在H的區(qū)域范圍在[0°，120°]之間時(shí)，R、G、B的計(jì)算如式（4）[4]。

R=I1+ScosHcos（60°-H）

B=I（1-S）

（4）

G=3I-（B+R）

在H的區(qū)域范圍在[120°，240°]之間時(shí)，R、G、B的計(jì)算如式（5）。

R=I（1-S）

G=I1+Scos（H-120°）cos（180°-H）

（5）

B=3I-（G+R）

在H的區(qū)域范圍在[240°，360°]之間時(shí)，R、G、B的計(jì)算如式（6）。

R=3I-（G+B）

G=I（1-S）

（6）

B=I1+Scos（H-240°）cos（360°-H）

2.2高斯模型

更新參數(shù)是高斯模型的基本操作，高斯分布的方差及均值在模型能夠匹配像素值的情況下的計(jì)算如式（7）[5]。

μi，t=μi，t-1+β（Xt-μi，t-1）

σ2i，t=σ2i，t-1+β[（xt-μi，t）T（xt-μi，t）-σ2i，t-1]

（7）

本文所設(shè)計(jì)的高校校園視頻監(jiān)控方法是在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行改進(jìn)，并完成了調(diào)整改進(jìn)神經(jīng)網(wǎng)絡(luò)權(quán)值方法的設(shè)計(jì)，具體權(quán)值的調(diào)整表達(dá)式如下（對(duì)應(yīng)t+1時(shí)刻）[6]如式（8）。

W（t+1）=W（t）-signE（t）W如果ΔtE（t）W≠0

0如果E（t）W=0

（8）

以迭代的梯度方向?yàn)橐罁?jù)，權(quán)值在迭代連續(xù)兩次保持相同梯度方向的情況下會(huì)增加更新值，并且不改變權(quán)值的調(diào)整方向。假設(shè)更新值由Δt表示，且mc的取值范圍在（0，1）間，則針對(duì)Δt的調(diào)整如式（9）。

α×（1-mc）×Δ（t-1）+mc×Δ（t-1）

（9）

假設(shè)，I（i，j）和I（k，l）均表示像素，I（i，j）和I（k，l）的質(zhì)量分別由Mi，j和mk，l表示（對(duì)應(yīng)圖像領(lǐng)域中的灰度值），在I（i，j）的附近某個(gè)像素I（k，l）對(duì)其產(chǎn)生的作用力由i，j，k，l表示，并且此處的i，j，k，l有大小和方向，位于其附近的鄰域由Ω表示（m×n），則I（i，j）附近全部像素點(diǎn)所帶來(lái)力的大小如式（10）[7]。

i，j，k，l=Gmi，jmk，l3

（10）

本文方法在對(duì)閾值圖像的邊緣進(jìn)行計(jì)算時(shí)主要通過(guò)使用拋物線方式完成，具體計(jì)算表達(dá)式如（11），將閾值計(jì)算過(guò)程劃分成對(duì)應(yīng)區(qū)域分別為（0，50]、（50，200）、[200，255]的三個(gè)分段函數(shù)如式（11）。

g（x）=

-0.009545x2+30，0

-0.000641x2+0.162794x+1.62554，50

-0.017493x2+8.921283x，1087，463557，200≤x≤255

（11）

3監(jiān)控圖像異常特征的獲取

3.1采集與預(yù)處理

假設(shè)，采集到的圖像

由σi表示其邊緣像素集，圖像譜特征分量由G（x，y，σi）表示，

針對(duì)監(jiān)控視覺通過(guò)信息融合方法的使用實(shí)現(xiàn)信息融合迭代的描述如式（12）。

Sgif（x，y）=-log（Pif（x，y）+G（x，y，σi））

（12）

然后以視覺特征傳感信息采集結(jié)果為依據(jù)，將降噪處理過(guò)程通過(guò)使用小波特征分解方法完成，所獲取的小波系數(shù)表達(dá)式如式（13）[7]。

η=ηij：（i，j）∈S，ηij∈S

（13）

再通過(guò)使用LBF對(duì)圖像進(jìn)行噪聲濾波處理，在視覺監(jiān)控信息輸出時(shí)所對(duì)應(yīng)的高頻特征分量如式（14）。

=argminL（η），Rx=1k∑Kk=1xkxHk

（14）

在獲取圖像濾波結(jié)果的基礎(chǔ)上對(duì)圖像做進(jìn)一步處理，主要通過(guò)自適應(yīng)降噪及融合處理使提取異常特征的能力得以顯著提高。

3.2監(jiān)控圖像運(yùn)動(dòng)特征提取

完成監(jiān)控視頻圖像的有效采集后，采用向量量化特征分解方法對(duì)圖像進(jìn)行分解，再通過(guò)灰度素分解和均衡控制方法的綜合使用實(shí)現(xiàn)對(duì)應(yīng)圖像的仿射不變矩記的獲取。針對(duì)視覺監(jiān)控圖像，假設(shè)，其高階統(tǒng)

計(jì)量由xp表示，輪廓的長(zhǎng)度由yq表示，如式（15）[8]。

mpq=∑Mm=1

∑Nn=1xpyqf（x，y）

（15）

本文方法通過(guò)對(duì)監(jiān)控對(duì)象的邊緣輪廓特征量進(jìn)行提取實(shí)現(xiàn)視覺監(jiān)控能力的進(jìn)一步提高，據(jù)此獲取的基元函數(shù)（指改進(jìn)神經(jīng)網(wǎng)絡(luò)）如式（16）。

P（X=x|Y=y）=Z-1exp-U（x|y）

（16）

接下來(lái)對(duì)圖像進(jìn)行分割處理，得到由Gm，n（m=1，2，…，M;n=1，2，…，N）表示的子塊共M×N個(gè)（2×2），通過(guò)正則化分解方法的使用實(shí)現(xiàn)監(jiān)控中異常特征量的獲取，如式（17）。

Gm，n=gm，n（1，1）gm，n（1，2）

gm，n（2，1）gm，n（2，2）

（17）

圖像邊緣輪廓及異常特征點(diǎn)經(jīng)過(guò)上述操作后即可有效提取出來(lái)，以所獲取的特征量作為輸入實(shí)現(xiàn)識(shí)別監(jiān)控圖像異常特征過(guò)程，最終實(shí)現(xiàn)對(duì)整個(gè)校園的安全監(jiān)控過(guò)程。

4仿真實(shí)驗(yàn)及結(jié)果分析

通過(guò)仿真實(shí)驗(yàn)驗(yàn)證本文所設(shè)計(jì)的基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的智能高校校園監(jiān)控系統(tǒng)及方法的實(shí)用性和穩(wěn)定性，具體仿真環(huán)境和參數(shù)設(shè)定為：采集頻率為12kHz，寄存器容量為1200kbit，采用長(zhǎng)度為1024的監(jiān)控信息幀，系統(tǒng)運(yùn)行速度范圍在（15ns，20ns）間。對(duì)異常行為檢測(cè)性能進(jìn)行實(shí)驗(yàn)，將本文方法獲取的圖像同真實(shí)拍攝的視頻圖進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明傳統(tǒng)單一視頻監(jiān)控方法雖能檢測(cè)出行人個(gè)體，但對(duì)行人異常行為的檢測(cè)準(zhǔn)確率較低、檢測(cè)結(jié)果誤差較大，本文方法則能夠?qū)D像中的異常行為準(zhǔn)確檢測(cè)并標(biāo)記出來(lái)，顯著提高了監(jiān)控效率，驗(yàn)證了方法檢測(cè)異常行為功能的有效性。針對(duì)夜間監(jiān)控圖像增強(qiáng)效果，采用上述方法進(jìn)行相應(yīng)處理后所獲取的包括圖像均值、對(duì)比度、方差、熵在內(nèi)的實(shí)驗(yàn)參數(shù)如表1所示。

結(jié)果表明圖像的主要參數(shù)均得以顯著提高，證明了圖像經(jīng)該方法處理后在顯著增加了亮度明的同時(shí)更好的突出了細(xì)節(jié)信息，具有較高的適用性，采用區(qū)域亮度分析方法增強(qiáng)了夜間監(jiān)控圖像的質(zhì)量，彌補(bǔ)了傳統(tǒng)方法的不足[9]。為進(jìn)一步測(cè)試改方法的性能進(jìn)行了監(jiān)控的實(shí)時(shí)性實(shí)驗(yàn)，對(duì)比文獻(xiàn)[3]、[4]、[5]及本文方法的實(shí)驗(yàn)結(jié)果，具體如圖1所示。

文獻(xiàn)[3]中的方法具有較大的延時(shí)變化幅度（最高可達(dá)0.53ms），文獻(xiàn)[5]中方法的監(jiān)控延時(shí)同樣相對(duì)較高。文獻(xiàn)[4]中方法的延時(shí)（范圍在0.28ms0.32ms間）隨著監(jiān)控次數(shù)的不斷增加而呈現(xiàn)出上下浮動(dòng)的現(xiàn)象即缺乏穩(wěn)定性，并且其實(shí)時(shí)性不夠理想。而本文方法的延時(shí)在監(jiān)控次數(shù)的不斷增多時(shí)延時(shí)數(shù)值變化穩(wěn)定（一直保持在0.1ms以下），驗(yàn)證了本文方法具有較高的實(shí)時(shí)性和實(shí)用價(jià)值，為智慧高校校園的建設(shè)奠定基礎(chǔ)。

5總結(jié)

快速發(fā)展的科學(xué)技術(shù)為視頻圖像處理領(lǐng)域提供了技術(shù)支撐，隨著人們對(duì)校園安全的重視程度不斷提高，目前校園所采用的傳統(tǒng)視頻監(jiān)控方法的智能水平較低，大多存在適應(yīng)性較差、難以對(duì)異常行為進(jìn)行準(zhǔn)確判斷等問(wèn)題，為有效解決目前校園監(jiān)控方法中存在的問(wèn)題，本文提出了一種智能高校校園監(jiān)控方法，該方法基于改進(jìn)神經(jīng)網(wǎng)絡(luò)，仿真實(shí)驗(yàn)結(jié)果證明了本文監(jiān)控方法的有效性及對(duì)監(jiān)控環(huán)境良好的適應(yīng)性，在顯著提升了對(duì)校園圖像監(jiān)控質(zhì)量的同時(shí)，能夠準(zhǔn)確判斷出校園內(nèi)行人異常行為，具有較高的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)

[1]

趙彥，許常青，鄧小龍，等.基于OneNet云平臺(tái)的智慧平安校園遠(yuǎn)程監(jiān)控系統(tǒng)[J].電訊技術(shù)，2018（9）：11031107.

[2]陳天恒，楊曉靜，王偉力，等.基于蟻群算法的變電站視頻監(jiān)控聯(lián)動(dòng)方案優(yōu)化設(shè)計(jì)[J].電力系統(tǒng)保護(hù)與控制，2018（2）：134139.

[3]左陽(yáng)，司建軍.智能視頻監(jiān)控下的多目標(biāo)跟蹤技術(shù)探討[J].科技展望，2016（13）：152153.

[4]孫茂芬，盧道華，李忠國(guó).海上監(jiān)控圖像的海天線及其目標(biāo)區(qū)域提取[J].機(jī)械工程師，2016（2）：8992.

[5]徐海剛，李朋偉.智能視頻監(jiān)控系統(tǒng)中多視角目標(biāo)跟蹤研究與FPGA實(shí)現(xiàn)[J].現(xiàn)代電子技術(shù)，2016（17）：611.

[6]杜麗娟，路曉亞.視頻監(jiān)控中多視角目標(biāo)智能定位追蹤方法研究[J].科學(xué)技術(shù)與工程，2017（16）：270274.

[7]RexYuxingDu，WagnerAKamakura.Improvingthestatisticalperformanceoftrackingstudiesbasedonrepeatedcrosssectionswithprimarydynamicfactoranalysis[J].InternationalJournalofResearchinMarketing，2016：94112.

[8]劉智旸，馬婭婕，余湧.基于Android和RaspberryPi的遠(yuǎn)距離視頻監(jiān)控系統(tǒng)的設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2017（7）：1215.

[9]邵振峰，蔡家駿，王中元，等.面向智能監(jiān)控?cái)z像頭的監(jiān)控視頻大數(shù)據(jù)分析處理[J].電子與信息學(xué)報(bào)，2017（5）：11161122.

（收稿日期：2019.07.18）